人工神经网络的优点精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工神经网络的优点主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络的优点范文

【关键词】BP人工神经网络；车间调度；模拟退火算法；SA＼LM混合算法

0 引言

车间调度指标工时达成率是评价车间调度优异程度的重要指标，它直接体现出车间设备的利用率、工人效率、库存大小，同时工时达成率的影响因素很多，如原料到位情况、设备健康状况、人员到岗状况、批次大小、加班情景等。车间调度问题是满足任务条件和约束要求的资源分配问题，是最困难的组合优化问题，解决车调度问题首先要建立准确的车间生产模型，模型的优异程度由预测输出指标的准确性决定，BP人工神经网络是建立预测模型寻求最优值的有效工具。

国内外学者对人工神经网络在调度问题及建立预测模型有相关研究。A.Azadeh、M.Jeihoonian等采用集成神经网络研究了双标准双级装配流水作业调度问题[1]；Azadeh提出了采用复杂人工神经网络和模糊优化算法优化仿真模型来解决流水生产车间的调度问题[2]；Golmohammadi， Davood等人采用神经网络模型开发的智能系统，研究表明零部件的批次大小比原材料的到位时间及延时时间对调度结果更有影响[3]；A.Azadeh， A. Negahban采用混合人工神经网络仿真并优化随机生产的调度问题[4]；Braglia 和 Grassi提出了最小化车间平均工时并最大限度延迟的车间调度混合模型，他们采用NawazCEnscoreCHam和多目标遗传局部搜索算法来解决问题[5]；祝翠玲、蒋志方等基于BP神经网络建立空气质量预测模型，将空气污染源的数据输入到该模型中，可以准确预测出污染物的检测值[6]；陈廉清，郭建亮等提出了基于BP神经网络和遗传算法构建表面粗糙度预测模型的开放式试验系统，该系统提高了外圆磨削产品表面粗糙度预测模型的收敛速度和预测精度[7]；崔吉峰、乞建勋等提出了采用粒子群算法改进BP神经网络算法，建立了对能源需求的预测模型，作者首先利用灰色预测方法和自回归移动平均模型建立初步预测结果，再将该结果作为BP神经网络的输入，在此基础上进行训练和预测，将预测精度提高了5%左右[8]；张喜忠作了基于神经网络预测模型的发动机异响信号提取的研究，丰富了发动机异响信号提取的新方法，拓宽了发动机故障诊断的应用范围[9]；王德明、王莉提出了遗传算法和BP神经网络相结合的风场短期风速预测模型，该模型具有预测精度高、收敛速度快的优点[10]；陈耀武、汪乐宇等提出了基于神经网络、模糊聚类分析和模式识别理论，建立组合式神经网络的短期电力负载预测模型，该模型能够准确预测普通工作日及节假日的电力负载[11]。

神经网络BP学习算法具有逼近非线性连续映射的能力，广泛应用与非线性系统的建模及控制领域。但是BP神经网络存在一些缺点，主要是收敛速度慢，往往收敛于局部极小值，数值稳定性差，学习率、动量项系数和初始权值等参数难以调整。本文提出采用LM和SA混合算法，弥补了神经网络的缺点，并通过调整神经网络数量，最终得到较准确的车间生产工时达成率预测模型。

1 研究方法及理论

1.1 人工神经网络研究方法

人工神经网络可以处理多元空间信息，成为模式识别、系统辨别、预测等功能的有力工具。人工神经网络的最主要的优点是不需要在训练之前明确定义近似函数。BP神经网络是最常用的神经网络，因为BP神经网络可以基于输入参数及输出参数计算出近似的仿真模型。基于人工神经网络的特性，它被广泛应用于寻找问题最优解。图1所示为BP人工神经网络解决问题的一般流程：

1）收集分析数据：收集大量数据，分析数据自身的相关性，找出主要参数作为输入。剔除数据中的奇异的，并将数据归一化用于训练神经网络。

2）选择网络类型与结构：根据问题的特点，选择神经网络为网络类型，并确定网络层数、每层节点数、初始权值、学习算法。其中隐含层的节点数选择比较麻烦，一般原则是在保证正确反应输入输出之间关系的基础上尽量少选隐含层节点数。

3）训练与验证：采用真实数据反复训练并验证神经网络直至得到合适的映射效果。在训练时初始权重可以随机产生，并且可取多组神经网络同时进行，通过取平均值来提高神经网络模型的准确性，该方法可以克服初始数据不充足的缺点。

4）对新数据实施预测，输出预测值。

1.2 SA＼LM混合算法原理

人工神经网络中LM算法结合了高斯-牛顿法和最小梯度法的优点，包含了高斯-牛顿法的局部收敛性和梯度下降法的全局特性，它通过自适应调整阻尼因子达到局部收敛性，并且其迭代收敛速度高，可以补偿BP网络收敛速度慢的缺点[12]，使其在很多非线性问题中得到稳定可靠解。但是初始值对LM算法的计算工程中具有很大的影响，若选取的初始值靠近真实值，在得到全局最优解的情景下减少运算时间，假设初始值的质量较差，优化结果会偏离全局最优解而得到局部最优解。通过两种方法可以解决该问题，一是采用尽量多的原始数据训练神经网络，使其具有较准确的预测能力，二是选择合理的优化算法与LM形成混合算法，消除其对初始值的高依赖性[13]。该研究对象为典型的离散生产型车间，无法获得所有的历史数据，第二种方式较合适。退火（SA）算法能够在算法执行过程中，基于较差初始函数值得到近似的最佳解决方案，这使得SA算法拥有在峰谷之间搜索找到全最小点的能力，无疑是最佳优化算法之一[14]。如图2所示为LM和SA混合算法在神经网络模型中的应用模式，首先基于有限的原始数据，采用SA算法训练神经网络预测模型，得到初始预测模型，将该模型中神经网络各层的权重矩阵及阀值作为LM算法的初始化参数，再次训练得到更优秀的神经网络预测模型。该混合算法能够捕捉并模拟车间排产员的经验知识和生产流程记录来形成制造过程中的系统知识，最终得到较优秀的车间调度模型。

2 人工神经网络结构

在50台加工系统组成的机加工车间中，有加工工人N人（工人充裕且有熟练度区分，其中有工序对应唯一工人），需要完成14个待加工零部件，每个工件都包含若干道工序，且工序流程一定。50台加工系统中包含车床组、铣床组、刨床组、钳床组、磨床组、焊接组，各组设备的加工能力一致， 以每个月该车间的工时达成率作为关键指标，工时达成率以实际完成工时与额定工时的比值为计算方式。车间调度员通过最佳的调度，并为各工序选配最佳资源，在满足设备加工能力及人员匹配的情况下获得最佳的工时达成率。

该调度问题有如下初始约束条件：1）任何设备无法同时加工超过两个工序；2）任意工件无法同时在多台设备上加工；3）工件必须严格按照工艺路线在指定机器上加工；4）除特定工序指定工人外忽略工人的熟练程度；5）工件的安装及拆卸时间已经包含在该工序的加工工时中；6）一般情况下有设备就有工人，除特殊情况工人处于充足状态；7）每个订单的14种原材料到位时间随机，遵循板材、管材、棒材的到位顺序。

根据该车间调度问题的特点，定义人工神经网络的结构。神经网络的输入参数为各零件的加工对象、可用设备、设备数量、分批大小、延迟值、工时、前置工序耗时、后置工序耗时等210个参数，输出参数既目标函数为工时达成率。根据输入、输出参数的量确定采用两层神经网络结构，既一层隐含层一层输出层，并且隐含层包含10个节点，可保证获得全局最优的情况下避免出现过计算。图3所示为人工神经网络的总体结构，经过多次试验验证，该神经网络中核心参数如下：

网络层阈值参数biasConnect= [1；1]，隐含层与输出层均有阈值；

输入层关系参数inputConnect = [1；0]，输入层与隐含层有权值连接，与输出层无关系；

网络层关系参数layerConnect = [0 0；1 0]，隐含层与输出层神经元相连；

输出层关系参数outputConnect = [0 1]，输出层的神经元产生网络输出；

网络传递函数layers{1}.transferFcn= 'tansig'，隐含层与输出层的传递函数；

隐含层初始函数layers{1}.initFcn = 'initnw'，隐含层初始化函数；

训练算法参数trainFcn = 'trainlm'，LM基础算法；

网络初始化函数initFcn = 'initlay'，网络初始化函数；

神经网络数量参数networks=20、50、100。

3 预测结果及分析

54套历史数据作为训练验证样本并不能完全覆盖所有情景，本研究提出采用多神经网络并行计算求平均值的方法提高模型准确性。为了得到最准确的预测模型，神经网络数量和训练算法是本研究中优化对象。神经网络的训练算法主要以LM算法和SA＼LM混合算法为研究对象，神经网络数量以20、50、100为研究对象。取54套样本中的51套为训练验证样本，3套为预测模型的测试数据，通过对比工时达成率预测值与真实值的均方差来判断神经网络模型的优异程度。训练数据中每套数据的210个参数生成51*210的矩阵，它们形象地表现出每个调度的输入与输出，这些矩阵将成为LM算法和SA＼LM混合算法神经网络的输入参数，经过计算生成各自的神经网络预测模型，最后用3套调度方案去测试准确性，表1中显示了神经网络数为20、50、100的LM算法和SA＼LM混合算法神经网络预测模型的测试结果。

从表1中清晰地显示了两种算法及三种不同神经网络数预测模型的预测误差，神经网络数量从20-50-100的梯度选择中预测模型的准确性误差呈8.46%-8.28%-6.87%的下降趋势，经过试验确定在该项目中采用100个神经网络数，该方法有效缓解了初始数据不充足的缺陷。图4中显示LM算法和LM＼SA混合算法预测误差对比，其中LM算法预测误差均值为8.92%，LM＼SA混合算法将该误差缩小到6.82%，证明混合算法能够通过改善LM单一算法中初始权重值及阀值，最终得到更优异的预测模型。

4 结论及展望

采用BP人工神经网络能够建立较准确的生产车间调度模型，并且使用SA算法建立人工神经网络的初始权重矩阵及初始阀值，再以LM算法进行优化的混合算法是建立车间调度模型的最佳算法；对于初始数据不充足的问题，可采用多神经网络并行计算求平均值的方法来提高模型准确性。得到较优秀的车间调度模型后，通过优化延迟值、批次大小、设备数量等输入参数可获得全局最优的工时达成率，最终输出离散车间效率最高的调度方案，这是今后的研究重点。

【参考文献】

[1]A.Azadeh， M. Jeihoonian， B. Maleki Shoja， S.h. Seyedmahmoudi. “An Integrated Neural NetworkCsimulation Algorithm for Performance Optimisation of the Bi-criteria Two-stage Assembly Flow-shop Scheduling Problem with Stochastic Activities.” International Journal of Production Research 50.24（2012）： 7271-7284[Z].

[2]Azadeh， Ali， Mohsen Moghaddam， Pegah Geranmayeh， Arash Naghavi. “A Flexible Artificial Neural NetworkCfuzzy Simulation Algorithm for Scheduling a Flow Shop with Multiple Processors.”The International Journal of Advanced Manufacturing Technology 50.5-8（2010）： 699-715[Z].

[3]Golmohammadi， Davood. “A Neural Network Decision-making Model for Job-shop Scheduling.” International Journal of Production Research，51，17（2013）： 5142-5157[Z].

[4]A.Azadeh， A. Negahban， M. Moghaddam. “A Hybrid Computer Simulation-artificial Neural Network Algorithm for Optimisation of Dispatching Rule Selection in Stochastic Job Shop Scheduling Problems.” International Journal of Production Research， 50， 2 （2011）： 551-566[Z].

[5]Braglia， M. and Grassi， A.， 2009. A new heuristic for the flowshop scheduling problem to minimize makespan and maximum tardiness. International Journal of Production Research， 47（1）： 273-288[Z].

[6]祝翠玲，蒋志方，王强.基于B-P神经网络的环境空气质量预测模型[J]《计算机工程与应用，2007，22（43）：223-227.

[7]陈廉清，郭建亮，杨勋，迟军，赵霞.基于进化神经网络的磨削粗糙度预测模型[J].计算机集成制造系统，2013，11（19）：2855-2863.

[8]崔吉峰，乞建勋，杨尚东.基于粒子群改进BP神经网络的组合预测模型及其应用[J].中南大学学报，2009，1（40）：190-194.

[9]张喜忠.基于神经网络预测模型的发动机异响信号提取研究[D].长春：吉林大学，2008.

[10]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报，2012，5（46）：837-841.

[11]陈耀武，汪乐宇，龙洪玉.基于组合式神经网络的短期电力负荷预测模型[J].中国电机工程学报，2001，4（21）：79-82.

[12]裴浩东.基于神经网络的稳态优化和控制研究[D].杭州：浙江大学，2001.

第2篇：人工神经网络的优点范文

关键词：BP人工神经网络模型；多元线性回归；逐步回归；拟合精度

中图分类号：TP183；Q945.17 文献标识码：A 文章编号：0439-8114（2014）02-0434-03

Application of Artificial Neural Network in Predicting Trunk Sap Flow

XIE Heng-xing1，ZHANG Zhen-hua2

（1.College of Chemistry and Life Science， Weinan Normal University， Weinan 714099， Shaanxi， China；

2. College of Geography and Planning， Ludong University， Yantai 264025， Shandong， China）

Abstract： The BP artificial neural network model， multi-linear regression model and stepwise regression model were used to fit trunk sap flow velocity and the fitted precision was compared. Results showed that the fitting effect was the best in BP artificial neural network model with a deciding coefficient of 0.944 3， the smauest relative error within the range of -31.120 0%～36.755 5%. In the fitting effect of sap flow， BP artificial neural network was the best one.

Key words： BP artificial neural network model； multi-linear regression； stepwise regression； fitting precision

液流是指蒸腾在植株体内引起的上升流，植株根部吸收的水分99.8%以上消耗在蒸腾上[1]，而树干是树木液流通道的咽喉部位，因此通过精确测量树干部位的液流速率、液流量可以基本反映植株的蒸腾状况。热技术是目前测量植株液流应用最广泛的方法[2]，热技术根据不同的原理可分为热脉冲法、热平衡法和热扩散法[3]。国内外学者应用热技术对植株液流进行了研究，如刘奉觉等[4]、司建华等[5]应用热脉冲技术分别研究了杨树和胡杨的液流；严昌荣等[6]、曹文强等[7]应用热平衡技术分别研究了胡桃楸和辽东栎等树木的液流；马长明等[8]、孟平等[9]应用热扩散技术对山杨和苹果等树木的液流进行了研究。但研究多停留在对植株液流现象的描述上，对植株液流与环境因子的定量分析也仅仅是简单的回归分析或逐步回归分析[4-9]，缺乏系统的量化研究。Ford等[10]利用热扩散技术观测了火炬松的液流变化，并应用ARIMA（差分自回归移动平均）模型拟合了土壤水分亏缺条件下火炬松树冠蒸腾。人工神经网络是一个具有高度非线性的超大规模连续时间动力系统，因其具有自学习功能、联想存贮功能、高速寻找优化解功能等优点而在经济、化工、水文、农业等领域得到了广泛应用[11-14]。树干液流与环境因子之间很难建立一个准确的数学方程[15]，本试验尝试利用BP人工神经网络模型来拟合液流速率，以求为液流速率和环境因子之间建立准确的数量关系。

1 材料与方法

1.1 研究区概况

1.2 仪器安装

2 结果与分析

2.1 BP人工神经网络基本原理

2.2 液流速率BP人工神经网络分析

3 结论

液流速率是植物蒸腾强弱的表现，蒸腾受温度、湿度、风速和太阳辐射诸多因子的影响，而环境因子之间又存在复杂的关系，这给液流速率的预测带来了很大的难度。BP人工神经网络在超大规模非线性模拟中显示了一定的优越性，利用人工神经网络研究液流与环境因子的定量关系具有广阔的适用性。本试验的拟合结果表明，BP人工神经网络模型明显优于多元线性回归和逐步回归模型，其液流速率的拟合值与观察值相对误差最小。

参考文献：

[1] 王沙生，高荣孚，吴贯明.植物生理学[M]. 第二版.北京：中国林业出版社，1991.192.

[2] 孙慧珍，周晓峰，康绍忠.应用热技术研究树干液流进展[J].应用生态学报，2004，15（6）：1074-1078.

[3] SWANSON R H. Significant historical developments in thermal methods for measuring sap flow in trees[J]. Agric For Meteorol，1994，72（1-2）：113-132.

[4] 刘奉觉，EDWARDS W R N，郑世锴，等.杨树树干液流时空动态研究[J].林业科学研究，1993，6（4）：368-372.

[5] 司建华，冯 起，张小由.热脉冲技术在确定胡杨幼树干液流中的应用[J].冰川冻土，2004，26（4）：503-508.

[6] 严昌荣，ALEC D，韩兴国，等.北京山区落叶阔叶林中核桃楸在生长中期的树干液流研究[J].生态学报，1999，19（6）：793-797.

[7] 曹文强，韩海荣，马钦彦，等.山西太岳山辽东栎夏季树干液流通量研究[J].林业科学，2004，40（2）：174-177.

[8] 马长明，管 伟，叶 兵，等.利用热扩散式边材液流探针（TDP）对山杨树干液流的研究[J].河北农业大学学报，2005，28（1）：39-43.

[9] 孟 平，张劲松，王鹤松，等.苹果树蒸腾规律及其与冠层微气象要素的关系[J].生态学报，2005，25（5）：1075-1081.

[10] FORD C R，GORANSON C E， MITCHELL R J， et al. Modeling canopy transpiration using time series analysis： A case study illustrating the effect of soil moisture deficit on Pinus taeda[J]. Agric Forest Meteorol， 2005，130（3-4）：163-175.

[11] 刘 艳，杨 鹏.基于ANN的预警指标预测系统在企业经济运行预警中的应用[J].统计与决策，2006（4）：161-163.

[12] 胡燕瑜，桂卫华，李勇刚，等.基于BP神经网络的熔融锌液流量检测[J].有色金属，2003，55（3）：143-146.

[13] 过仲阳，陈中原，李绿芊，等.人工神经网络技术在水质动态预测中的应用[J].华东师范大学学报（自然科学版），2001（1）：84-89.

第3篇：人工神经网络的优点范文

    论文摘要:随着计算机技术的飞速发展,智能计算方法的应用领域也越来越广泛。本文介绍了当前存在的一些智能计算方法,阐述了其工作原理和特点,同时对智能计算方法的发展进行了展望。

    The Analysis for Several Classic Algorism of Intellegence Computation

    YANG Ming-hui

    (Wuhan University of Technology, Wuhan 430074, China)

    Abstract: As the computer technology develops fast, the field for intelligence algorism become wider and wider.In this paper, I introduce some methods for intelligence, and analyze their Principles and characters, finally make a Forecast of the develop of integellence computation.

    Key words:Intelligence Computation; Artificial Neural Network Algorithm;Genetic algorithm;Annealing Algorithm

    1 引言

    智能算法也称作为“背影算法”,是人们从现实的生活中的各种现象总结出来的算法。它是从自然界得到启发,模仿它的原理而得到的算法,这样我们可以利用仿生原理进行设计我们的解决问题的路径,这就是智能计算的思想。这方面的内容很多,如人工神经网络技术、遗传算法、模拟退火算法等,下面分别对其进行分析。

    2 人工神经网络算法

    2.1 人工神经网络(ARTIFICIAL NEURAL NETWORK,简称ANN)

    人工神经网络是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在本世纪40年代初期,心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型,从此开创了神经科学理论的研究时代。其后,F Rosenblatt、Widrow和J. J .Hopfield等学者又先后提出了感知模型,使得人工神经网络技术得以蓬勃发展。

    2.2 人工神经网络的特点

    人工神经网络的知识存储容量很大。在神经网络中,知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息,而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。

    由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大,使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清,神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输入的模式接近于训练样本,系统就能给出正确的推理结论。

    正是因为人工神经网络的结构特点和其信息存储的分布式特点,使得它相对于其它的判断识别系统,如:专家系统等,具有另一个显着的优点:健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。最有力的证明是,当一个人的大脑因意外事故受轻微损伤之后,并不会失去原有事物的全部记忆。人工神经网络也有类似的情况。因某些原因,无论是网络的硬件实现还是软件实现中的某个或某些神经元失效,整个网络仍然能继续工作。

    人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限,标志着人们智能信息处理能力的一大飞跃。

    3 遗传算法

    3.1 特点

    遗传算法是解决搜索问题的一种通用算法,对于各种通用问题都可以使用。搜索算法的共同特征为:(1)首先组成一组候选解;(2)依据某些适应性条件测算这些候选解的适应度;(3)根据适应度保留某些候选解,放弃其他候选解;(4)对保留的候选解进行某些操作,生成新的候选解。在遗传算法中,上述几个特征以一种特殊的方式组合在一起:基于染色体群的并行搜索,带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。

    遗传算法还具有以下几方面的特点:

    (1)遗传算法从问题解的串集开始嫂索,而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的;容易误入局部最优解。遗传算法从串集开始搜索,覆盖面大,利于全局择优。

    (2)许多传统搜索算法都是单点搜索算法,容易陷入局部的最优解。遗传算法同时处理群体中的多个个体,即对搜索空间中的多个进行评估,减少了陷入局部最优解的风险,同时算法本身易于实现并行化。

    (3)遗传算法基本上不用搜索空间的知识或其它辅助信息,而仅用适应度函数值来评估个体,在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束,而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。

    3.2 运用领域

    前面描述是简单的遗传算法模型,可以在这一基本型上加以改进,使其在科学和工程领域得到广泛应用。下面列举了一些遗传算法的应用领域:(1)优化:遗传算法可用于各种优化问题。既包括数量优化问题,也包括组合优化问题;(2)程序设计:遗传算法可以用于某些特殊任务的计算机程序设计;(3)机器学习:遗传算法可用于许多机器学习的应用,包括分类问题和预测问题等。

    4 退火算法

    模拟退火算法来源于固体退火原理,将固体加温至充分高,再让其徐徐冷却,加温时,固体内部粒子随温升变为无序状,内能增大,而徐徐冷却时粒子渐趋有序,在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小。根据Metropolis准则,粒子在温度T时趋于平衡的概率为e-ΔE/(kT),其中ΔE为温度T时的内能,ΔE为其改变量,k为Boltzmann常数。用固体退火模拟组合优化问题,将内能E模拟为目标函数值f ,温度T演化成控制参数t,即得到解组合优化问题的模拟退火算法:由初始解i和控制参数初值t开始,对当前解重复“产生新解计算目标函数差接受或舍弃”的迭代,并逐步衰减t值,算法终止时的当前解即为所得近似最优解,这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制,包括控制参数的初值t及其衰减因子Δt,每个t值时的迭代次数L和停止条件S。

    5 展望

    目前的智能计算研究水平暂时还很难使“智能机器”真正具备人类的常识,但智能计算将在21世纪蓬勃发展。不仅仅只是功能模仿要持有信息机理一致的观点。即人工脑与生物脑将不只是功能模仿,而是具有相同的特性。这两者的结合将开辟一个全新的领域,开辟很多新的研究方向。智能计算将探索智能的新概念,新理论,新方法和新技术,而这一切将在以后的发展中取得重大成就。

第4篇：人工神经网络的优点范文

水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。

1．围岩分类的判定依据

水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。

表1围岩工程地质分类依据

指标名称评价因素

岩石强度（A1）采用岩块的单轴抗压强度（MPa）

岩体完整程度（A2）采用完整性系数Kv

张开度（A3）考虑结构面的连续性、粗糙度和充填物

地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量

主要结构面产状（A5）采用结构面走向与洞轴线的夹角

以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。

表2围岩工程地质分类标准

评价因素围岩类别

Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞围岩分类的人工神经网络模型

神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。

2．1BP神经网络模型及其算法

BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：

（1）

BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：

（1）初始化，设置网络结构，赋初始权值；

（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；

（3）对每个学习样本P进行（4）~（8）；

（4）逐层正向计算网络各节点的实际输出：

(2)

其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；

（5）计算网络输出误差：

第P个样本的输出误差为(3)

其中，，分别为输出层第j个神经元的期望输出和实际输出。

网络总误差为；(4)

（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；

（7）逆向逐层计算网络各节点误差：

对于输出层，(5)

对于隐含层，(6)

其中代表后层第个神经元。

（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：

(7)

其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。

2．2围岩分类的BP模型

在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。

表3围岩类别识别模型的学习样本

类别样本类别A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。

图1围岩类别分类的BP网络模型

设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为

网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。

网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。

如果，则，，即隧洞围岩类别样本属于级。

3．沙湾隧洞的围岩分类应用实例

东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。

隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。

根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。

表4沙湾隧洞三组样本实测指标与围岩类别判定结果

指标名称实测指标值

abc

岩石强度（A1）2845100

岩体完整程度（A2）0.220.50.55

张开度（A3）341

地下水状态（A4）1208025

主要结构面产状（A5）305060

围岩类别判定结果ⅤⅣⅢ

4．结论

水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。

参考文献

第5篇：人工神经网络的优点范文

关键词：电力系统；继电保护；新技术；人工神经网络；自适应技术；网络继电保护

1 继电保护概述

1.1 继电保护的概念及其基本任务

电力系统继电保护和安全自动装置是在电力系统发生故障和不正常运行情况时，用于快速切除故障，隔离不正常设备的重要自动化技术和设备。当电力系统发生故障或发生危及其安全运行的事件时，它能及时发出告警，或直接发出跳闸命令以终止事件。

继电保护的基本任务一是检测故障信息、识别故障信号，进而作出是否出口跳闸的决定；二是反映电气元件的不正常运行状态并向值班人员发出信号，以便及时进行处理。

1.2 继电保护的发展历程

电力系统继电保护先后经历了不同的发展时期，电磁型继电保护、晶体管继电保护、基于集成运算放大器的集成电路保护，到了20世纪90年代，我国继电保护技术全面进入了微机保护时代，微机保护有强大的逻辑处理能力、数值计算能力和记忆能力，它不仅具有传统保护和自动装置的功能，而且还能发展到故障测距、故障录波等功能。微机保护经过20多年的发展，已经取得巨大的成功并积累了丰富的运行经验。

2 继电保护新技术的应用

随着科技的飞速发展以及微机继电保护的普遍应用，许多新技术不断应用到继电保护领域，例如IT技术的应用，实现了保护、控制、测量、数据通信一体化；应用人工神经网络，可以解决电力系统复杂的非线性化问题；应用自适应技术使继电保护获得更强的故障信息处理能力和自适应能力，显著提高其动作性能。应用网络继电保护可以实现保护功能的集成、自适应进行保护配置和定值计算等。

2.1 人工神经网络在继电保护装置中的应用

人工神经网络是模拟生物神经元的结构而提出的一种信息处理方法。人工神经网络由大量的模拟人脑的神经元互联组成，是一种非线性映射系统，具有强大的模式识别能力，通过对反映输入特征量的大量样本学习，可以对任意复杂状态或过程进行分类和识别。近年来，人工神经网络和模糊控制理论逐步应用于电力系统继电保护装置中，涉及故障类型的判别、故障距离的测定、方向保护、主设备保护等方面。

2.1.1人工神经网络在线路保护中的应用

输电线路常见的保护有纵联差动保护、高频方向保护、距离保护、电流保护等，其中纵联差动保护是广泛应用于220kV及以上输电线路的主保护，区外短路时，差动电流继电器的比率制动特性可防止不平衡电流引起的误动，但这种常规方式在实验得出的动作区域有变化时，常规微机保护原理需重新设计算法。人工神经网络避免了常规差动保护整定的不灵活性和原理上的不足，文献[1]提出了基于BP算法的差动保护，为简化计算，BP网的输入取制动和差动电流，输入层单元数为2个，输出则为动作信号0或1（0表示不动作，1表示动作），输出层单元数为1个；隐含层的单元数根据网络规模及试验确定，这里取4个。因此，BP网的结构为“2-4-1”型。仿真试验结果表明，神经网络用于线路纵联差动保护是合理、可行的。

电流保护是低压线路的主要保护形式，具有简单、经济等优点。但其定值整定、保护范围和灵敏系数等方面受电网接线方式及运行方式的影响明显，如电流速断保护，其整定值是按照系统最大运行方式下发生三相短路来整定的，当系统运行方式发生较大变化时，可能出现系统在最小运行下发生两相短路，或者被保护线路长度很短，电流速断无保护范围的现象[2]。人工神经网络由于其可对不确定系统进行学习或实现自适应，具有高度的容错性、鲁棒性及多输入多输出并行工作的特点，适合于复杂系统和对象的控制，文献[3]表明，基于人工神经网络的电流保护，在系统的各种运行方式下及各种故障中，不仅能够自适应识别线路的故障类型、相别和故障点位置，还可以准确地区分振荡与故障两种情况。

2.1.2人工神经网络在变压器保护中的应用

在变压器保护中关于励磁涌流状态的识别一直是困扰继电保护研究人员的棘手问题。文献[4]基于人工神经网络，综合考虑变压器励磁涌流状态和故障状态的特征，提出并建立了一个三层前向神经网络模型，它利用EMTP进行了大量的仿真计算，并将计算结果作为训练样本，对所建立的神经网络模型进行训练。对该模型进行故障状态检验结果表明，所建立的神经网络能够对变压器所发生的故障状态作出正确响应。

2.2自适应技术在继电保护装置中的应用

自适应继电保护是20世纪80年代提出的研究课题，其基本思想是使保护装置尽可能地适应电力系统各种运行方式和复杂故障类型，通过各种数字信号处理方法、数学分析工具和人工智能技术有效提取并处理故障信息，从而获得更可靠的保护。

2.2.1 自适应技术在电流速断保护中的应用

电流速断保护动作值是按躲开线路末端的三相短路故障电流而整定的。在发生两相短路时，保护动作的灵敏度会大大减小。采用自适应技术后，当故障发生时，保护首先判别系统运行方式和故障类型，再根据不同的故障类型自适应调整电流保护动作值，从而大大提高动作的灵敏度。为实现电流速断的定值自适应整定，必须实时确定短路故障的类型和系统等值阻抗，文献[5]提出了实现自适应电流速断保护的基本方法。

2.2.2 自适应技术在自动重合闸中的应用

文献[6]提出了一种将模糊综合决策用于单相自动重合闸自适应优化判据的方法，以提高重合闸的成功率。文中将电容耦合电压与互感电压的比值作为模糊控制器的第1个输入变量，将故障端电压与互感电压的比值作为模糊控制器的第2个输入变量，跳闸信号作为模糊控制器的输出。这种方法利用电容耦合电压等故障边界条件信息以及模糊控制器可自适应修正原有的电压判据。经理论分析和动模试验结果表明，这种方法具有良好的应用前景。

2.2.3 自适应技术在串补输电线路保护中的应用

文献[7]介绍了串补输电线路自适应保护的基本特点。该保护方案以卡尔曼滤波器和自适应卡尔曼滤波器为基础，利用串补输电线路正常状态和故障状态时电流暂态信号的差异，实现对串补输电线路的故障定位并确定故障相。

2.3 网络继电保护在电力系统中的应用

当前网络已经成为信息和数据通信工具技术的基础，微机继电保护同样也离不开网络通信强的支持。目前，除差动和纵联保护外，其他继电保护装置只反映保护安装处的电气量，其重要原因是缺乏有力的数据通讯、数据处理以及数据上传的联网手段。如果将分散的继电保护装置和安全自动装置网络化并由主站统一进行协调管理，就可以使继电保护装置获取更多的系统信息，从而更加准确的判断、处理故障，整个系统安全性与可靠性将得到提升。另外，网络继电保护还存在保护配置可通过运行方式自适应调整、保护定值可根据运行方式自动计算、二次回路简单化、运维工作量小等传统继电保护不可比拟的优点。

在实际应用方面，一是目前运行的微机保护程序和软件原理成熟、功能完善，能够满足开发网络继电保护与控制软件的基本要求；二是基于EMS系统的数据支撑平台及体系结构的开放化和标准化已取得很大进展，这成为了开发开放化和标准化网络继电保护与控制系统的支撑平台及体系结构的技术基础；三是随着光纤通信技术的发展，利用就地测控装置组网的方式形成数字数据网，存在容量大、防干扰、信号衰减小的优点，可以提高继电保护运行的环境质量。从上述的技术基础上看，网络继电保护具备实现的可能性，虽然在开发和推进过程中还存在很多难题和挑战，但它依然为继电保护的发展指明了一条道路。

3 结论

总之，随着电力系统的高速发展和计算机技术、通信技术的进步，继电保护已经呈现出了微机化、智能化的特征，为当今电力系统的高速发展提供了可靠、稳定的保护。同时，继电保护也将随着各种技术新一轮的发展呈现更新的特征，也将获得更广泛的应用。

参考文献：

[1] 贾德香，韩净.神经网络差动保护技术[J].电工技术，2003（3）：11-12.

[2] 贺家李.电力系统继电保护原理[M].天津：天津大学，1991.

[3] 李营，杨奇逊.分布式微机母线保护的探讨[J].电力系统自动化，1999，23（1）.

[4] Perez L G，Flechsig A J.Training an artificial neural network to discriminate between magnetizing inrush and internal faults[J].IEEE PWRD，1994，9（1）：434-441.

[5] 赵梦华，葛耀中.微机式自适应馈线保护的研究和开发[J].电力系统自动化，1999，23（3）：19-22.

第6篇：人工神经网络的优点范文

关键词：数据 神经网络 数据挖掘

中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2015）12-0000-00

1引言

信息在数据库中被搜集出来通过统计、人工智能、情报检索、在线分析处理、机器学习等多种方法来进行数据的整理和分析，将数据整理的结果应用于商业管理、工程开发、股票管理和科学研究等多个方面。随着社会的不断进步人们对数据的要求也逐渐的增加，通过对数据的收集和分析来解决问提并提供更加可行的方案。而面对数据时代中大量的数据其中有真有伪，如何从中提取隐含在其中对决策有意义的信息，提高信息资源的利用率成为信息时代亟须解决的问题。这一需求就要求我们不断推进神经网络的研究和技术深化数字挖掘，才能让神经网络在数据挖掘中进行应用，方便社会中商业、科研等各领域的使用。

2数据挖掘

从海量的数据库中挖掘信息的过程挖掘就称之为数据挖掘（Data Mining）[1]。简而言之，数据挖掘就是从大量的、随机的数据中，提取隐含在其中的、但是又是潜在有用的信息和知识的过程[2]。

数据挖掘的主要流程是获取和整理数据的来源、使用相关的技术和知识、整合和检查数据、删除隐含着错误的数据、建立模型和假设、进行数据挖掘、测试和检验数据挖掘结果最终将挖掘的数据进行应用。

数据挖掘的主要功能数据的分类是指在数据挖掘的过程中将数据库之中根据不同事物的属性、特点的不同进行划分，利用不同的组类来描绘事物以便对事物进行了解；数据的聚类是指根据分析对象的内在规律将数据库中的数据进行群组的划分，将整个数据库划分出不同的群组，并保证同一群组中数据的相似性以及不同群组之间有一定的差别；数据的关联规则和序列模式是指找出数据库中具有相关性的数据，就是某一事物在发生变化之后与之就有相关性的数据也会发生这一变化；数据的偏差检测是指针对数据中极少数的极端数据、偏差数据进行分析，找出其中的内在原因。

3人工神经网络

人工神经网络是某种抽象、简化和模拟，根据神经网络的结构和功能，先后提出的神经元模型有上百种。[3]

人工神经网络的主要优势是具有自学习功能。这种自学习功能能够在图像识别的过程中进行使用，只要把多个图像样板和需要识别的结果输入到神经网络之中就能够通过自学习功能对图像进行识别。这一功能对未来的预测具有极其重要的意义。通过人工神经网络对未来进行预测能够为经济、股市、市场等提供发展方向，推动经济发展。通过人工神经网络对一复杂问题进行大量的计算来寻求优化解。这一功能主要是依靠神经网络的高速运算能力来完成的，能够在短期内对问题进行优化解。

4 神经网络在数据挖掘中的应用

在最开始神经网络应用于数据挖掘之中并不被众人所看好，其主要原因是由于神经网络再解释自身行为上的能力欠缺以及神经网络容易出现过度训练，造成训练数据效果好而检验数据的效果不佳等问题造成的。然而不可忽视的是神经网络在数据挖据应用的过程之中的优势，可以用于数据中有时间单元的情况还能够对噪声数据进行很好的处理，与此同时还能够保证较低的错误率。

4.1数据准备

数据准备是整个数据挖掘之中至关重要的一项。只有数据准备的过程之中对数据进行合理处理、定义和表示，才能让数据挖掘的过程之中顺利的对数据进行的使用和分析。

数据清洗是指数据在装入数据库之前，通过基于规则的方法对字段定义域以及其与其他字段的相互关系对数据进行评估；通过可视化的方法将数据集以图形的形式展现出来，能够更快速的分辨脏数据；利用统计学方法更改错误数据，填补缺失数据。数据选择则是通过列和行利用SQL语言对本次数据挖掘所需要的数据进行选择。

数据处理是利用新字段、数据值的比例变换等方法对数据进行一个增强处理。这种信息增强处理不仅能够提高数据挖掘的质量而且能够降低数据挖掘的时间消耗，提高效率。由于神经网络只能够对数值性的数据进行处理，这就要求我们对数据进行转换，将文本数据处理成与之相对应的映射表，从而转化成为神经网络数据挖掘算法能够接受的形式。

4.2规则提取

目前，规则提取主要使用的方法有符号方法和连接主义方法两大类。符号方法基于粗集理论、决策树等技术支持，对分类知识进行分类规则的转换；而连接主义方法则主要在其结构中进行知识的存储但是不利于人们的理解。神经网络的这一方法不利于数据的挖掘，但由于神经网络分类精度高、鲁棒性好等优点在分类问题中表现突出，大多数的学者更注重专研从神经网络中进行提取规则。

4.3规则评估

在一个数据库之中隐藏着大量规则，为了在给定数据库中取得好的效果要对提取的原则进行最优的评估。规则评估主要从以下几方面进行考虑：首先要覆盖所有神经网络的知识，其次规则判定与神经网络知识相一致，再次判定是否存在相同前提下得出不同结论的规则，最后判断是否存在冗余规则。规则的正确性能够保证神经网络中的知识全部被提取，也能够保证提取规则与神经网络的一致性。

5结语

目前采用神经网络进行数据挖掘是比较常见的方式，因为能够对大量的数值性数据进行快速的处理，但是仍存在着文字数据等非数值型数据的处理、构造神经网络时要求对其训练许多遍等多种问题。这些问题都需要在将来的神经网络在数据挖掘的应用之中逐渐的解决，这些问题的解决能够给神经网络在数据挖掘的应用带来更强大的生命力。

参考文献

[1]沈达安 等.万维网知识挖掘方法的研究.计算机科学，2000，（2）：79-8210.

第7篇：人工神经网络的优点范文

【关键词】计算机科学与技术 经济管理 应用分析

1 计算机科学与技术在经济管理中所体现的作用

在进行经济管理工作的时候，需要对工作产生的巨大信息进行分析与处理，这些数据都是企业及事业单位的重要性资源，需要这些资源来做到对决策的分析。但是，对于经济管理人员来说，如何对这些信息进行处理，使得这些资源能够更好的对决策进行服务，是经济管理人员需要不断探讨的问题，并且很多的研究人员在研究过程中提出了很多的方法来对数据进行处理，但是得到真正的应用的并不是很多，人们对于决策还是凭着自己感觉来进行。但还因为计算机技术的发展，使得人们在对这些数据进行处理的过程时，有着极大的便利，因为计算机可以有效的对大量的数据进行处理、分析，因此，计算机科学与技术为经济管理人员在工作的过程中提供了很大的便利。

2 计算机科学与技术在经济管理过程中的应用形式

2.1 运用人工神经网络的形式来对信息进行分析

在动物界的神经传递过程中，两个神经元之间会有一个突触，来起到对信息之间的传递作用。在传递的过程中，会使用到一些神经递质来进行传播，这些神经递质具有不同的种类，在对这些神经元进行接收的时候，在轴突上，会存在着许多的分支。神经递质传递到受体细胞，然后再次的在神经元内对信息进行传递。这种信息的传递形式具有很多优点，科研人员在受到这些启示之后，就发明了具有自组织特征的映射算法来对信息做到有效的传递。

因为对于计算机技术的发展过程来说，其在对外界进行表达的时候，都是以数字向量的方式来进行的，而对于神经系统来说，其在信息的传播过程中也是将信号进行转变。所以使用计算机技术来对信息进行处理的时候，与神经信息传递之间有着很相似的地方。

2.2 这种人工神经网络的信息处理方式具备的功能

对于这种人工神经网络的信息处理方式，其是根据生物学中神经网络的形式来研究出来的，所在对于这种人工神经网络系统来说，其有很大一部分特点都是跟生物学的中神经系统是相似的，具备一些智能的功能。首先它所体现出来的一种特点是在记忆方面，因为它是根据生物神经模式来进行设计的，因此其在对信息进行储存及分析过程中，会第一这些信息进行保留，并且还具备联想记忆的功能。其次其具备的特点就是可以进行非线性映射。因为在很多的实现操作过程中，很多输出的信息与输入的信息之间并不能够建立起一种线性的关系，使得很多熟悉的模型不能够在其它信息处理系统中进行设计出来。但是使用人工神经网络的设计方式，就使得在信息处理的过程中能够做到满足非线性映射，并且还可以在设计的过程中建立起很大的非线性的数学模型，并且各个领域中都可以得到应用。另外，在这种人工神经网络的信息处理模式中，还可以对输入的信息进行识别，并做到有效的分类，这对原来在信息处理过程中存在的信息不易分离与辨别的问题做到了有效的解决。最后一项具备的功能就是它可以对输入与输出的信息及知识内容进行一个有效的处理，因为人工神经网络模式具备生物学中神经传递的特点，所以它可以在信息到达的时候，对其进行分析及处理，对于那些符合条件的信息加以利用，并进行储存。这就使得在信息的处理过程中，能够做到对数据根据其特征来进行分类与分析。

3 人工神经网络的信息处理技术在经济管理中的应用

计算机科学与技术发展过程中所带来的这种神经网络的信息处理模式，因为其具备的一些特征与功能，因此在众多的领域中得到了有效的利用，解决了传统信息处理过程中那些不能够进行解决的问题，并且都取得了很好的效果。所以，目前这种信息的处理方式不仅在经济管理过程中得以使用，还在医学、工程技术及其它经济领域中都得到广泛的应用。

3.1 在信贷分析过程中需要对这种信息处理技术加以利用

对于信贷分析工作来说，信用评估机构是具备自己特征的，因此在信息处理过程中，因为这些企业所带来的信息形式的不同，使得在对其信用度进行评判的过程中，带来很大的问题，也很难对其进行判断，使得很多时候都会带来很多的经济损失。但是对这种人工神经网络信息的处理技术的使用，就会对所出现的问题做到有效的解决了。在对这些贷款企业进行信用评价的时候，只需要将信息转化为编码来输入进去，就可以对数据进行分析，并且因为输入的信息量比较大，使得在评价的过程中更做到具有更大的准确性。对这种技术的使用，不仅可以做到准确性，还可以避免操作人员的主观思维形式。这是这些优势的存在，使得其在对企业风险进行分析的过程中得到很广泛的应用。

3.2 使用这种方法可以对市场做到更准确的预测

在经济管理过程中，需要对市场中出现的一些因素做到有效的分析，并做到对未来发展趋势进行相关的预测，使得在决策的过程中，能够起到参考的作用，使得风险得到降低。使用人工神经网络的信息处理技术来对市场进行预测，使得对市场中变动的价格与走势进行考量与分析，使得一个可靠的市场模型可以得到建立。例如在期货市场上运用这种技术，可以对其未来价格进行预测。并且这种技术在股票市场中也有所应用。

四、结束语

随着科学技术的发展以及电子计算机技术的日趋成熟，使得原本很复杂的工作在其处理之下都得到了很好的解决。在经济管理过程中，其产生的大量数据，使用传统的方式难以进行解决，但是使用计算机科学与技术，就可以模仿人对在神经传递中对信息的处理方式来进行处理，为其工作提供了很大的便利。

参考文献

[1]李苗苗.论我国企业的经济管理[J].现代经济信息，2009.

[2]张信宾.高校计算机基础教育的教学思路与方法研究[J].沿海企业与科技，2005.

第8篇：人工神经网络的优点范文

【关键词】输电网络；故障；人工智能；应用

电能的正常供应影响着人们的诸多方面，工作、学习、生活、娱乐等，电能供应的最基本要求就是稳定性和连续性，但是，输电网络越来越复杂，偶尔出现故障也会难免的，为了能够在输电网络出现故障时快速的诊断故障找出故障原因，减小相关损失，必须要找到一种合适的技术手段来解决这个问题，相关的研究人员也一直在致力于该方面的研究。人工智能技术就是研究人员在这方面的一个突破，人工智能技术能够模拟人类处理问题的思维方式，且具备一定的学习能力，本文将围绕这些方面进行一些探讨。

1 专家系统在输电网络故障诊断中的应用

专家系统在人工智能技术中开发的比较早，技术上也有了一定的厚度积累，从应用的角度来说，专家系统就是一个集合了大量程序的系统，它里面存储了相关专家在相应问题方面的见解，根据这些见解对问题进行推断，类似于专家解决问题的过程，节省了时间，目前，专家系统在人工智能中应用的已经非常广泛。专家系统在输电网络故障诊断中最典型的应用就是基于产生式规则的系统，把相关电路保护措施的信息和相关技术人员的诊断经验用程序表示出来，从而形成一个比较完备的专家知识库，一旦输电网络发生故障，则可以根据这个专辑知识库，快速的对故障进行诊断，迅速的找出解决方案。专家系统之所以在输电网络故障诊断中得到广泛的应用，主要有这么几个方面的原因：第一，输电网络中相关保护功能的信息能够有效、明了的表达出来；第二，基于产生式规则的专家系统允许根据实际情况的变化，对专家知识库进行合理的变更，跟上技术不断进步的脚步；第三，由于专家系统的智能功能，使其能够解决一些不确定的故障；第四，初步具备人类的思维，得出的结论能够被相关技术人员看懂。从上面的理论分析可以看出，专家系统在输电网络故障诊断中很有应用的前景和应用的必要，但是它也存在着一些问题：上面的分析可以看出，专家系统对故障的诊断基于专家知识库里的知识容量多少，因此，专家系统是否具有详细、准确的专家知识库能够影响整个故障诊断的效果，如果专家知识库达不到使用的实际标准，那么在进行故障推理低调时候，很有可能导致错误的结论，将相关技术人员引导到错误的道路上；专家系统在诊断大型输电系统故障的时候，需要从专家知识库进行知识的匹配，这个过程可能会比较慢；大部分专家系统不具备学习的能力，一旦诊断的故障超出了专家知识库中的内容， 那么专家系统很容易得出错误的结论。

2 人工神经网络在输电网络故障诊断中的应用

人工神经网络技术在输电网络故障诊断中应用的也越来越广泛，人工神经网络技术（ANN）就是模拟人体大脑的结构和处理问题方式的一种人工智能技术，它是人工智能技术重要的一个分支，它具有很多优点，例如能够实现并行式处理、自适应等，这些优点与输电网络故障诊断相结合，显示出了巨大的潜力，是一个比较热门的研究方向。基于人工神经网络的输电网络故障诊断，其总的诊断网络比较复杂，为了方便实时的侦测，一般将总的网络进行分区处理，然后在各个区创建基于BP算法的故障诊断模块，要得到诊断结果的时候，将各个分区的诊断结果进行综合后即可得出。例如，将总的故障诊断按照分工的不能区划成几个功能不同的诊断网络，比如一个子网络用来诊断故障的发生位置；一个子网络用来诊断故障的性质；一个子网络用来诊断故障对整个系统的危害程度等等，最后将这些子网络的结论按照一定的规则进行组合分析，即可得到需要的结论。人工神经网络的方法虽然相对于专家系统来说取得了一些突破，例如能够突破专家系统知识库知识获取难、诊断网络更加便于维护等，但是也具有一些缺点：人工神经网络不能够对启发性的知识进行分析和判断，且人工神经网络技术不够成熟，涵盖的范围大，学习困难，这些都在一定程度上影响了人工神经网络技术在输电网络故障诊断中的应用，并且，人工神经网络如何在大的输电网络故障诊断中应用一直是一个难点，还有待于相关人员取得新的突破。总体而言，人工神经网络方法在输电网络中还是很有应用前景的，可以加大的相关难题的科技攻关力度，进一步提高其有效性。

3 模糊理论在输电网络故障诊断中的应用

随着模糊理论的不断成熟，它在输电网络诊断中应用的也越来越广泛。在输电网络的故障中，其发生的故障和故障发生前的征兆之间联系是具有模糊性质的，这种模糊既具有不确定性又具有不准确定，因而，得出恰当的诊断结果也是比较困难的，必须要采用模糊判断的额方法，一般情况下是建立相关的模糊关系矩阵。随着模糊理论的不断完善，其受重视的程度越来越高，特别是在解决具有不确定性问题的情况中；模糊理论能够借助相关的数据库对问题进行分析，并得出一些列解决结论，且把这些结论按照模糊的程度进行排列；模糊知识库所使用的描述语言更容易为相关技术人员所接受。模糊故障诊断系统在结构上和专家系统有点相像，因此也具有一定的缺点：对大的输电网络系统故障诊断时速度比较慢；其可维护性比较差；不具备自主学习的能力。总体而言，模糊理论一般都是与其它人工智能技术结合使用，在一定程度上能够提高故障诊断的结果准确度，但是相关研究人员也必须要在它存在的缺点上有进一步的突破。

4 遗传算法在输电网络故障诊断中的应用

遗传算法目前在很多工业控制领域得到了推广和应用，在输电网络诊断中应用的也越来越多，遗传算法在基于生物进化的基础上推算出的一种自适应算法。遗传算法能够从错综负责的网络中，自动匹配出解决问题的最优算法，求出最优解，且比较简单，且可解决问题的范围比较大，一般应用于解决中小型规模的问题。目前，在遗传算法应用到输电网络故障诊断的过程中，如何建立正确数学模型至关重要，它是制约整个求解过程的关键，如果能够采用适当的方法对输电网络建立合理的数学模型，那么将有助于提高输电网络故障诊断的精确性。

5 结论

目前，人工智能技术已经在很多领域得到了应用，例如设备状态监测、设备自动化控制等，在现代输电网络越来越复杂的情况下，其应用于故障诊断中也显得越来越重要，本文分别介绍了专家系统、人工神经网络、遗传算法、模糊理论在输电网络故障诊断中的应用，指出了优点和缺点，希望本文能够对相关的工作人员产生一定的指导意义。

参考文献：

[1]毕天株，霓以信.人工智能技术在输电网络故障诊断中的应用述评[J].电力系统自动化，2012（11）.

[2]曾素琼.人工智能及其在输配电网络故障诊断中的应用[J].海南大学学报（自然科学版），2012（6）.

第9篇：人工神经网络的优点范文

【关键词】PID控制;BP神经网络;模糊PID控制

Abstruct：PID control are widely used in industrial process control，but the traditional PID control because of its control parameters are fixed，and it is difficult to adjust its parameters online.So this paper studies a new adaptive fuzzy PID control method，to solve problem without the ability to learn，and put forward a kind of adaptive fuzzy control method based on BP neural network in this paper.It is the effective combination of fuzzy control，neural network and PID control.Simulation results show that this fuzzy PID control method based on BP neural network has good control effect.

Keywords：PID control;BP neural network;Fuzzy PID control

1.引言

常规PID在控制领域被广泛应用，利用数学算法来整定参数。而且随着控制系统的复杂，被控对象很难建立数学模型，人们开始探索新的控制方式。模糊控制不要求掌握被控对象的精确的数学模型，根据人工控制规则组织控制决策表，然后由该表决定控制量的大小。在一般的模糊系统设计中，规则是由经验丰富的专业人员以语言的方式表达出来的。但对于某些问题即使是很有经验的专业人员也很难将他们的经验总结、归纳为一些比较明确而简化的规则。在这种情况下，就可以应用神经网络的方法，依靠BP神经网络的自学习功能，实现模糊控制的神经、模糊融合技术，并借助其并行分布的结构来估计输入到输出的映射关系，直接从原始的工作数据中归纳出若干控制规则。从而为模糊系统建立起行之有效的决策规则。

2.PID控制器原理

2.1 PID控制的微分方程

PID控制器是一种线性控制器，它将给定值r（t）与实际输出值c（t）的偏差的比例（p）、积分（I）、微分（D）通过线性组合构成控制量，对控制对象进行控制。

式中：

2.2 PID控制器各环节的作用

（1）比例环节：及时成比例地反应控制系统的偏差信号e（t），偏差一旦产生，控制器立即产生控制作用以减小偏差。

（2）积分环节：积分作用会使系统稳定性下降，Kd大会使系统不稳定，但能消除静态误差。

（3）微分环节：能反应偏差信号的变化趋势，并能在偏差信号值变得太大之前，在系统中引入一个早期修正信号，从而加快系统的动作速度，减小调节时间。Kd偏大时，超调较大，调节时间短;Kd偏小时，超调量也较大，调节时间长;只有Kd合适时才能超调小，时间短。

3.BP神经网络与模糊控制

模糊控制是运用语言归纳操作人员的控制策略，运用变量和模糊集合理论形成控制算法的一种控制。如何让机器像人一样识别、理解模糊规则并进行模糊逻辑推理，最终得出新的结论并实现自动控制是模糊控制研究的主要内容。模糊控制器的基本结构如图1所示。

图1 模糊控制结构

人工神经网络是由大量人工神经元经广泛互连二组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络可以看成是以人工神经元为节点，用有向加权弧连接起来的有向图。BP网络是一种利用误差反向传播训练算法的神经网络，是一种有隐含层的多层前馈网络，系统地解决了多层网络中隐含单元连接权的学习问题。BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。也就是采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。其结构如图2所示。

图2中隐含层第一层神经元为7个，分别对应7个模糊子集：NB、NM、NS、ZO、PS、PM、PB。第二层49个神经元代表49条规则。第三层7个神经元代表输出的7个模糊子集。模糊控制不依靠对象的数学模型，但模糊规则的建立需要人工经验。采用BP算法对工程经验和专家经验的模糊规则进行训练，其实就是把模糊规则用神经网络来表示，即经过神经网络的学习，将模糊规则以加权系数的形式表现出来，规则的生成就转化为加权系数的确定和修改。

神经网络是大规模并行运算，但由于网络结构复杂，训练和学习需要大量的时间，所以目前还无法实现实时控制。在具体应用中，我们是先离线将神经网络的各层权值和阈值训练出来，将其参数固定下来，然后将有系统检测、计算得到的误差变化直接代入非线性映射关系中，由计算机算出控制量，再用作被控对象。在matlab下以、、为输出的BP网络仿真训练如图3、图4、图5所示。

4.模糊PID控制器的原理与仿真

对于某一BP神经网络控制系统，其中内部变化及被控对象的数学模型为：

利用模糊控制对PID参数实现在线调节，原理如图6。

图6 模糊PID控制原理图

采用Z-N法和试凑法相结合，借助MATLAB的SIMULINK平台，对被控对象进行常规PID仿真。参数值：kp=15，ki=6，kd=0.05。如图7。作为比较，建立模糊PID控制器的仿真模型如图8。

图9、图10分别为被控对象G（s）在阶跃输入下常规PID和模糊PID仿真结果的比较。

经过仿真发现，常规PID控制缺点是超调量大，调节时间长，动态性能差。优点是控制精度高，稳定性能好。模糊控制动态性能很好，上升速度快，基本无超调。但由于模糊化所造成的稳态误差，在没有积分环节的情况下很难消除，故稳态性能差。模糊PID继承了二者的优点，摒弃二者缺点，具有更全面优良的控制性能。

5.结论

针对大滞后、慢时变、非线性的复杂系统，提出了一种基于BP神经网络的模糊PID控制算法，该算法不依赖被控对象的精确数学模型，可实现在线自调整模糊规则，从而增强了模糊控制器的自学习能力。通过算法的仿真研究，验证了算法的可行性。

参考文献

[1]李华.计算机控制系统[M].北京：机械工业出版社，2007.

[2]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2007.

[3]蔡自兴.智能控制[M].北京：电子工业出版社，2003.

[4]李国勇.智能控制及其MATLAB实现[M].北京：电子工业出版社，2005.

[5]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2009.

[6]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003.

[7]刘玲.三容水箱的单神经元自适应PID控制研究[J].信息技术，2005，3（8）：32-137.